JP7213358B2 - アイデンティティ検証方法、アイデンティティ検証装置、コンピュータ機器、及びコンピュータプログラム - Google Patents

Description

本願は、２０１９年４月２４日に中国特許庁に提出された、出願番号が第２０１９１０３３６０３７４号であり、発明の名称が「アイデンティティ検証方法、敵対的生成ネットワークの訓練方法、装置、及び機器」である、中国特許出願に基づく優先権を主張し、その全ての内容が、参照することにより本願に組み込まれている。

本願は、人工知能の分野に関し、特にアイデンティティ検証方法、装置、コンピュータ機器、及び記憶媒体に関する。

アイデンティティ検証技術とは、コンピュータシステムにおける一定の手段によって、ユーザのアイデンティティを確認する技術を指す。一般的なアイデンティティ検証技術は、顔認識、指紋認識、端末姿勢認識などを含む。

顔認識を例にすると、サーバには、ニューラルネットワークモデルが設けられている。検証対象ユーザの顔画像を収集すると、ニューラルネットワークモデルを呼び出して、顔画像を検証する。検証に成功した場合、検証対象ユーザのアイデンティティを決定し、検証に失敗した場合、エラー通知をフィードバックする。ここで、ニューラルネットワークモデルは、予め訓練セットによって訓練されたものである。

しかしながら、上記ニューラルネットワークモデルは、偏った予測を誤って学習する可能性がある。例えば、ユーザがひげを生やしたり、眼鏡をかけたり、季節に応じて着替えたりする場合、該ニューラルネットワークモデルによる検証に失敗する可能性がある。

本願で提供される各実施例によれば、アイデンティティ検証方法、装置、コンピュータ機器、及び記憶媒体を提供する。その構成は、以下のとおりである。

本願の一態様によれば、コンピュータ機器が実行するアイデンティティ検証方法が提供されている。前記方法は、
ユーザの原特徴を収集するステップであって、前記原特徴にｍ－１種類（ｍは２よりも大きい整数である）のドメイン差異特徴が存在する、ステップと、
前記原特徴における主属性特徴ベクトルを抽出するステップであって、前記主属性特徴ベクトルは、前記原特徴における前記ｍ－１種類（ｍは２よりも大きい整数である）のドメイン差異特徴に対して選択的デカップリングを行った不偏特徴表現である、ステップと、
前記主属性特徴ベクトルに基づいて、不偏アイデンティティ検証処理を行うことにより、アイデンティティ検証結果を取得するステップと、を含む。

一実施例では、アイデンティティ検証モデルを呼び出して、前記原特徴に対して特徴抽出を行うことにより、前記原特徴における主属性特徴ベクトルを取得する。ここで、前記アイデンティティ検証モデルは、
第１敵対的生成ネットワークを含み、又は、第１敵対的生成ネットワークと、第２敵対的生成ネットワークとを含み、
前記第１敵対的生成ネットワークは、因果関係に基づいて、前記ｍ－１種類のドメイン差異特徴に対して選択的デカップリングを行うことにより訓練されたネットワークであり、前記第２敵対的生成ネットワークは、前記第１敵対的生成ネットワークによって抽出された、異なる属性の属性特徴ベクトルをランダムに組み合わせた後に、加法的敵対的な訓練を行って得られたネットワークであり、前記属性は、アイデンティティと、前記ｍ－１種類のドメイン差異とを含む。

本願の一態様によれば、第１敵対的生成ネットワークの訓練方法が提供されている。前記第１敵対的生成ネットワークは、ｍ個の生成器Ｇ_１～Ｇ_ｍを含み、それぞれの前記生成器Ｇ_ｊは、ｍ個の識別器Ｄ_ｊ１～Ｄ_ｊｍに対応するものであり、ｊ番目の生成器Ｇ_ｊは、ｊ番目の属性の特徴を学習するためのものであり、前記属性は、アイデンティティと、ｍ－１種類のドメイン差異とを含み、ｉ，ｊ，ｊ’∈［ｍ］である。前記方法は、
全ての生成器Ｇ_ｉを固定して、出力が、前記ｉ番目の属性に対応するラベルｙ_ｉに近くなるように、全ての識別器Ｄ_ｉｊを最適化させるステップと、
全ての識別器Ｄ_ｉｊを固定して、出力が、前記ｉ番目の属性に対応する（１－ｙ_ｉ）に近くなるように、全ての生成器Ｇ_ｉを最適化させるステップと、を含む。

ここで、ａ番目の属性とｂ番目の属性に因果関係がある場合、識別器Ｄ_ａｂの出力損失が逆伝播されない。

本願の一態様によれば、第２敵対的生成ネットワークの訓練方法が提供されている。前記第２敵対的生成ネットワークは、ｍ個の属性に１対１で対応するｍ個の加法的空間変換ネットワークと、ｍ個の認識ネットワークとを含み、前記属性は、アイデンティティと、ｍ－１種類のドメイン差異とを含み、ｊ∈［ｍ］であり、ｍは２よりも大きい整数である。前記方法は、
訓練セットから抽出された、異なる属性に対応する属性特徴ベクトルをランダムに組み合わせて、ｎ_ｒ個の組み合わせ属性特徴ベクトルを生成するステップと、
前記ｎ_ｒ個の組み合わせ属性特徴ベクトルを第１ベクトル集合及び第２ベクトル集合に分割するステップであって、第１ベクトル集合における組み合わせ属性特徴ベクトルの属性組み合わせは、前記訓練セットに現れる属性組み合わせであり、第２ベクトル集合における組み合わせ属性特徴ベクトルの属性組み合わせは、前記訓練セットに現れない属性組み合わせである、ステップと、
前記第１ベクトル集合及び前記第２ベクトル集合を用いて、前記加法的空間変換ネットワーク及び前記認識ネットワークを予測するステップであって、ｊ番目の加法的空間変換ネットワークは、ｊ番目の組み合わせ属性特徴ベクトルをｊ番目の加法的特徴ベクトルに変換するためのものであり、ｊ番目の認識ネットワークは、ｍ個の加法的特徴ベクトルの和特徴ベクトルに対して、ｊ番目の属性に対応するラベル認識を行うためのものである、ステップと、
予測過程で生じた、前記第１ベクトル集合の第１損失に対して、各属性に対応する前記認識ネットワーク及び前記加法的空間変換ネットワークに前記第１損失を逆伝播するステップと、
予測過程で生じた、前記第２ベクトル集合の第２損失に対して、他の属性に対応する前記認識ネットワーク及び前記加法的空間変換ネットワークに前記第２損失を逆伝播するステップと、を含む。

本願の別の態様によれば、アイデンティティ検証装置が提供されている。前記装置は、
ユーザの原特徴を収集する収集モジュールであって、前記原特徴にｍ－１種類（ｍは２よりも大きい整数である）のドメイン差異特徴が存在する、収集モジュールと、
前記原特徴における主属性特徴ベクトルを抽出するアイデンティティ検証モジュールであって、前記主属性特徴ベクトルは、前記原特徴におけるｍ－１種類（ｍは２よりも大きい整数である）のドメイン差異特徴に対して選択的デカップリングを行った不偏特徴表現である、アイデンティティ検証モジュールと、を含み、
前記アイデンティティ検証モジュールは、さらに、前記主属性特徴ベクトルに基づいて、不偏アイデンティティ検証処理を行うことにより、アイデンティティ検証結果を取得する。

本願の別の態様によれば、プロセッサとメモリを備えるコンピュータ機器が提供されている。前記メモリには、コンピュータ読み取り可能な命令が記憶されており、前記コンピュータ読み取り可能な命令は、前記プロセッサによって実行されると、前記アイデンティティ検証方法のステップを前記プロセッサに実行させる。

本願の別の態様によれば、コンピュータ読み取り可能な命令を記憶したコンピュータ読み取り可能な記憶媒体が提供されている。前記コンピュータ読み取り可能な命令は、１つ又は複数のプロセッサによって実行されると、前記アイデンティティ検証方法のステップを前記１つ又は複数のプロセッサに実行させる。

本願の１つ又は複数の実施例の詳細は、以下の図面及び説明に記載されている。本願の他の特徴、目的、及び利点は、明細書、図面、及び特許請求の範囲から明らかになる。

本願の実施例の構成をより明確に説明するために、以下に、実施例の説明に必要な図面を簡単に紹介する。明らかに、以下の説明における図面は本願のいくつかの実施例を示しているに過ぎず、当業者であれば、創造的な労働をすることなく、これらの図面から他の図面を得ることもできる。
関連技術で提供されるアイデンティティ検証方法のフローチャートである。 本願の１つの例示的な実施例で提供されるアイデンティティ検証システムのブロック図である。 本願の１つの例示的な実施例で提供されるアイデンティティ検証方法のフローチャートである。 本願の１つの例示的な実施例で提供される第１敵対的生成ネットワーク及び第２敵対的生成ネットワークの動作時の２段階の模式図である。 本願の１つの例示的な実施例で提供される第１敵対的生成ネットワーク及び第２敵対的生成ネットワークのネットワーク構成図である。 本願の１つの例示的な実施例で提供される第１敵対的生成ネットワークの訓練方法のフローチャートである。 本願の１つの例示的な実施例で提供されるアイデンティティ検証ソフトウェアのインタフェースの模式図である。 本願の１つの例示的な実施例で提供される、因果関係に基づいてデカップリング学習を行うネットワークアーキテクチャの模式図である。 本願の１つの例示的な実施例で提供される第２敵対的生成ネットワークの訓練方法のフローチャートである。 本願の１つの例示的な実施例で提供される第２敵対的生成ネットワークの訓練原理の模式図である。 本願の１つの例示的な実施例で提供されるアイデンティティ検証方法のフローチャートである。 本願の１つの例示的な実施例で提供されるアイデンティティ検証方法のフローチャートである。 本願の１つの例示的な実施例で提供されるアイデンティティ検証方法のフローチャートである。 本願の１つの例示的な実施例で提供されるアイデンティティ検証装置のブロック図である。 本願の１つの例示的な実施例で提供される第１敵対的生成ネットワークの訓練装置のブロック図である。 本願の１つの例示的な実施例で提供される第２敵対的生成ネットワークの訓練装置のブロック図である。 本願の１つの例示的な実施例で提供されるコンピュータ機器のブロック図である。

本願の目的、構成、及び利点をより明確にするために、以下、図面を参照しながら、本願の実施形態をさらに詳しく説明する。

まず、本願の実施例で提供される若干の用語を解釈する。

アイデンティティ検証技術：コンピュータ手段によって、ユーザのアイデンティティを確認する技術を指す。一般的なアイデンティティ検証技術は、顔認識、指紋認識、声紋認識、虹彩認識、端末姿勢認識、歩行者再認識のうちの少なくとも１種を含む。

アイデンティティ検証モデル：アイデンティティ認識を行うためのニューラルネットワークモデルを指す。

顔認識：顔画像上の特徴点を利用して、ユーザのアイデンティティを確認する技術を指す。顔画像上の特徴点は、眉の特徴点、目の特徴点、口の特徴点、鼻の特徴点、耳の特徴点、頬の特徴点のうちの少なくとも１種を含むが、これらに限定されない。

端末姿勢認識：ユーザが端末（例えば、携帯電話）を使用する際に、端末内部のセンサによって収集されたユーザ操作の物理次元での操作特徴、例えば、押圧力の強さ、押圧頻度、押圧位置、本体の振動周波数、本体の振動周期、本体の変位の大きさなどに応じて、ユーザのアイデンティティを確認する技術を指す。

ドメイン：訓練セット内のサンプルサブセットに対して全体的な分布偏差を発生させる要素である。例えば、顔認識の場合、異なるユーザの髪の色である黒色、黄色、及び白色は、ドメインの差異とみなされてもよく、異なるユーザが眼鏡をかけているか否かも、ドメインの差異とみなされてもよく、異なるユーザがひげを生やしているか否かも、ドメインの差異とみなされる。

転移学習：データにドメインの差別が存在する場合、学習システムを構築して、ドメインの差異を処理する。

負の転移：転移学習における概念であり、ある転移学習方法が訓練セットに使用されるため、テストセットにおける正確率が下がるという現象を記述するものである。

敵対的生成ネットワーク（ＧＡＮ：Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ）：近年、広く研究されている生成モデルであり、実際のデータ分布を捕捉する能力を有する。

生成器（Ｇｅｎｅｒａｔｏｒ）：ＧＡＮの重要な構成部分であり、十分に現実的なデータを生成する役割を担う。

識別器（Ｄｉｓｃｒｉｍｉｎａｔｏｒ）：ＧＡＮにおいて生成器と相互に競合する部分であり、生成器によって生成されたデータが実際のデータに近いか否かを判断する役割を担う。

アイデンティティ検証モデルを用いてアイデンティティ検証を行う過程において、アイデンティティ検証モデルは、ユーザのグループ化／クラスタリングによって、偏った予測を誤って学習する可能性がある。例えば、顔認識検証の場合、ユーザがひげを生やしたり眼鏡をかけたりすると、検証に失敗する可能性がある。また、歩行者再認識の分野では、季節に応じて人々が着替えたり、異なる角度のカメラで画像を収集したりする場合にも、検証に失敗する可能性がある。

関連技術では、ドメイン差異によるアイデンティティ検証の正確性への影響を解消する方法が提供されている。このような方法は、転移成分分析（ＴＣＡ：Ｔｒａｎｓｆｅｒ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ）、深層適応ネットワーク（ＤＡＮ：Ｄｅｅｐ Ａｄａｐｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）、勾配反転（ＲｅｖＧｒａｄ：Ｒｅｖｅｒｓｉｎｇ Ｇｒａｄｉｅｎｔ）、敵対的識別ドメイン適応（ＡＤＤＡ：Ａｖｅｒｓａｒｉａｌ Ｄｉｓｃｒｉｍｉｎａｔｉｖｅ Ｄｏｍａｉｎ Ａｄａｐｔａｔｉｏｎ）を含むが、これらに限定されない。

このような方法では、主分類タスク（例えば、アイデンティティ検証）を学習するとともに、学習される特徴のドメイン差異を解消する。アイデンティティ検証に異なる携帯電話機種のドメイン差異が存在するとすれば、図１に示すように、該アイデンティティ検証モデルは、生成器１２と、タスク識別器（Ｔａｓｋ Ｄｉｓｃｒｉｍｉｎａｔｏｒ）１４と、差異識別器（Ｂｉａｓ Ｄｉｓｃｒｉｍｉｎａｔｏｒ）１６とを含む。ここで、生成器１２は、原特徴から特徴ベクトルを抽出し、タスク識別器１４は、特徴ベクトルに基づいて、アイデンティティ、例えば、ユーザ１、ユーザ２、及びユーザ３を認識し、差異識別器１６は、特徴ベクトルに基づいて、機種、例えば、機種１、機種２、及び機種３を識別する。つまり、原特徴は、生成器（Ｇｅｎｅｒａｔｏｒ）１２によって学習され、出力する特徴ベクトルは、アイデンティティ認識と機種識別とを同時に行う必要がある。差異識別器１６は、敵対的学習によって、生成器１２から出力された特徴ベクトルにおける機種識別に関する特徴情報を解消し、タスク識別器１４は、ユーザに対してアイデンティティ認識を行う。

アイデンティティ検証モデルに影響を与えるドメイン差異が、例えば、髪の色、髪型、眼鏡、ひげ、イヤリングなど、複数種類であり得るので、複数種類のドメイン差異が存在し、且つドメイン差異が２つずつ依存関係を有する場合、上記の構成では、以下の２つの問題が生じる可能性がある。１、依存関係を有するドメイン差異を強制的にデカップリングして、負の転移を引き起こす可能性がある。２、無関係の属性のドメイン差異に対するデカップリングが不十分であることにより、学習された特徴に多すぎる属性依存が依然として存在する可能性がある。

本願では、複数種類のドメイン差異によるアイデンティティ検証への影響をできるだけ解消することができ、ドメイン差異が複数種類存在するアイデンティティ検証のシナリオに適用できる不偏アイデンティティ検証方式を提供する。

図２は、本願の１つの例示的な実施例で提供されるアイデンティティ検証システムのブロック図を示す。該アイデンティティ検証システムは、端末１２０と、ネットワーク１４０と、サーバ１６０とを含む。

端末１２０は、携帯電話、タブレットコンピュータ、デスクトップコンピュータ、ノートパソコン、監視カメラなどの機器であってもよい。端末１２０は、アイデンティティ検証を必要とする端末である。端末１２０は、アイデンティティ検証に必要な原特徴を収集する。原特徴は、顔データ、端末センサデータ、虹彩データ、指紋データ、声紋データのうちの少なくとも１種を含む。いくつかの実施例では、端末１２０にユーザアカウントがログインされてもよく、つまり、端末１２０は、プライベート機器であってもよい。別のいくつかの実施例では、端末１２０は、監視の性質を有する監視機器である。

端末１２０は、ネットワーク１４０を介して、サーバ１６０に接続されてもよい。ネットワーク１４０は、有線ネットワーク又は無線ネットワークであってもよい。端末１２０は、認証データをサーバ１６０に伝送し、サーバ１６０は、アイデンティティ検証を行った後に、アイデンティティ検証結果を端末１２０に返送するようにしてもよい。

サーバ１６０は、アイデンティティ検証を行うためのバックエンドサーバである。サーバ１６０には、アイデンティティ検証用のニューラルネットワークモデル（以下、アイデンティティ検証モデルと略称）が設けられている。該アイデンティティ検証モデルは、不偏表現である特徴データに基づいてアイデンティティ検証を行うことができる。

図３は、本願の１つの例示的な実施例で提供されるアイデンティティ検証方法のフローチャートを示す。該アイデンティティ検証方法は、訓練段階２２０と、テスト（及び適用）段階２４０とを含む。

訓練段階２２０では、アイデンティティ検証モデルを訓練するための訓練セットを構築する。該訓練セットは、各サンプルの原特徴２２１、アイデンティティラベル２２２、及び複数種類のドメイン差異ラベル２２３を含む。任意選択的に、各サンプルそれぞれは、１つのユーザに対応するものであり、原特徴２２１は、アイデンティティ検証過程において収集されたユーザ特徴データである。アイデンティティラベル２２２は、該ユーザのアイデンティティを標識するためのものであり、ドメイン差異ラベル２２３は、該ユーザのドメイン差異を標識するためのものである。ドメイン差異に髪の色の差異とひげの差異とが含まれる場合を例にして、表１に２組のサンプルを模式的に示す。

該訓練セットを用いて、アイデンティティ検証モデルに対してデカップリング学習２２４を行う。該デカップリング学習２２４は、アイデンティティ検証を主学習タスクとして、複数種類のドメイン差異を補助学習タスクとするものである。各サンプルについて、アイデンティティ及びそれぞれのドメイン差異は、いずれも、１つの属性とみなされる。各属性については、敵対的学習の方法によって各属性のデカップリングした表現を学習する（つまり、各属性の特徴ベクトルをできるだけ独立して抽出する）ことにより、この隠れ層空間に他の属性の分類情報が含まれないようにする。これにより、最終的に学習されたアイデンティティ検証モデル２４２は、複数種類のドメイン差異によるアイデンティティ検証への影響をできるだけ無視して、正確なアイデンティティ検証結果を出力することができる。

テスト（及び適用）段階２４０では、テストセットにおける原特徴２４１をアイデンティティ検証モデル２４２に入力して、不偏アイデンティティ検証を行い、さらに、アイデンティティ検証結果（即ち、アイデンティティラベル２４３）を出力する。テストに合格した場合、該アイデンティティ検証モデル２４２を実際に適用する。

図４は、本願の１つの例示的な実施例で提供されるアイデンティティ検証モデル２４２の構成ブロック図を示す。該アイデンティティ検証モデル２４２は、第１敵対的生成ネットワーク２４２ａと、第２敵対的生成ネットワーク２４２ｂとを含む。

第１敵対的生成ネットワーク２４２ａは、因果関係に基づいて、ｍ－１種類のドメイン差異特徴に対して選択的デカップリングを行うことにより訓練されたネットワークであり、ｍは２よりも大きい整数である。第２敵対的生成ネットワーク２４２ｂは、第１敵対的生成ネットワーク２４２ａから出力された異なる属性特徴ベクトルをランダムに組み合わせた後に、加法的敵対的な訓練を行って得られたネットワークである。

第１敵対的生成ネットワーク２４２ａ及び第２敵対的生成ネットワーク２４２ｂは、２つの段階のデカップリング学習を実現する。

段階１において、第１敵対的生成ネットワーク２４２ａは、属性間の非対称的な因果関係に基づいて、デカップリングした特徴表現を学習する。つまり、第１敵対的生成ネットワーク２４２ａは、因果関係を持つ第１ドメイン差異特徴と第２ドメイン差異特徴が原特徴に存在する場合、第２ドメイン差異特徴に対して敵対的学習を行う過程において、第１ドメイン差異特徴とのデカップリング学習を無視する方式によって訓練されたものである。

したがって、第１敵対的生成ネットワーク２４２ａは、因果関係を持つ少なくとも２種類のドメイン差異をデカップリングする際に、因果関係を持つ少なくとも２種類のドメイン差異に対して強制的なデカップリングを行わないため、負の転移を引き起こすことはなく、又はその確率が極めて小さい。

段階２において、まず、異なる属性の属性特徴ベクトルをランダムに組み合わせることにより、サンプルに現れない新しい組み合わせを形成し、次に、第２敵対的生成ネットワーク２４２ｂが加法的敵対的学習に基づいてデカップリングを行うことにより、さらなるデカップリング学習を実現する。つまり、第２敵対的生成ネットワークは、第１敵対的生成ネットワーク２４２ａによって訓練セットから抽出された異なる属性特徴ベクトルをランダムに組み合わせて、訓練セットに現れない属性組み合わせを形成した後に、加法的敵対的な訓練を行う方式によって訓練されたネットワークである。

したがって、ランダムに組み合わせて、訓練セットに現れないサンプル組み合わせを形成することにより、第２敵対的生成ネットワーク２４２ｂは、無関係の属性のドメイン差異を十分にデカップリングすることができる。これにより、無関係の属性のドメイン差異に対するデカップリングが不十分であることに起因して、学習された特徴に多すぎる属性依存が依然として存在するという問題を解決する。

説明すべきものとして、上記第１敵対的生成ネットワーク２４２ａは、単独で実施してもよい。つまり、第２敵対的生成ネットワーク２４２ｂは、任意選択的な部分である。

第１敵対的生成ネットワーク２４２ａ
図５を参照すると、第１敵対的生成ネットワーク２４２ａは、基本生成器Ｇ_０、ｍ個の生成器（属性特徴学習ネットワークとも呼ばれる）Ｇ_１～Ｇ_ｍ、ｍ＊ｍ個の識別器Ｄ_１１～Ｄ_ｍｍを含む。

基本生成器Ｇ_０は、原特徴ｘを変換することにより、グローバル属性特徴ベクトルｆ_０を取得し、
それぞれの生成器Ｇ_ｊは、ｍ個の識別器Ｄ_ｊ１～Ｄ_ｊｍに対応するものであり、ｊ番目の生成器Ｇ_ｊは、ｊ番目の属性の特徴を学習するためのものであり、属性は、アイデンティティと、ｍ－１個のドメインとを含む。生成器の数は属性の数ｍと同じであり、ｍは２よりも大きい整数であり（図５では、ｍ＝３を例にして説明しているが、３に限定されない）。つまり、図５における属性は、アイデンティティと、少なくとも２つのドメインとを含む。

各生成器Ｇ_１～Ｇ_ｍは、それぞれ、現在の属性に関連する識別情報を抽出して、他の属性とのデカップリング後の該属性の属性特徴ベクトルを学習する。ｊ∈［ｍ］の場合、ｊ番目の生成器は、ｊ番目の属性に関連する。

本願で設計される敵対的学習方法は、各属性特徴ベクトルに、該属性に関連する識別情報だけが含まれることを含む。本願では、行列Λ∈Ｒ^ｍ＊ｍが与えられる場合を考慮する。この行列には、２つずつの属性の間の因果関係が含まれる。次に、各ｊ∈［ｍ］について、本願では、ｊ番目の属性とｍ個の属性との間の因果関係を処理するために、ｍ個の識別ネットワークＤ_ｊ１，…，Ｄ_ｊｍを構築する。各Ｄ_ｉｉは、ｉ番目の属性の特徴を学習するためのものであり、各Ｄ_ｉｊは、ｉ番目の属性の敵対的学習において、ｊ番目の属性の特徴を解消するためのものである。

アイデンティティに対応する生成器Ｇ_１は、主生成器と呼んでもよく、他の生成器Ｇ_２及びＧ_３は、それぞれ、１つのドメインに対応するものである。また、それぞれの生成器は、ｎ個の識別器に対応するものである。識別器Ｄ_１１は、主識別器と呼んでもよい。

ここで、主生成器Ｇ_１は、グローバル属性特徴ベクトルｆ_０に対して特徴抽出を行うことにより、第１主属性特徴ベクトルｆ_１を取得する。第１敵対的生成ネットワーク２４２ａが単独でアイデンティティ検証モデルとして用いられる場合、主識別器Ｄ_１１は、第１主属性特徴ベクトルｆ_１に対してアイデンティティ検証を行うことにより、アイデンティティ検証結果を取得する。又は、第１敵対的生成ネットワーク２４２ａと第２敵対的生成ネットワーク２４２ｂとがカスケードでアイデンティティ検証モデルとして用いられる場合、主識別器Ｄ_１１は、第１主属性特徴ベクトルｆ_１に対して第１識別を行った後、組み合わせ属性特徴ベクトルｆ_１を第２敵対的生成ネットワーク２４２ｂに出力する。

図５に基づいて、以下のようにパラメータを定義する。

［ｋ］：添字集合｛１，２，…，ｋ｝を表す。

［－ｉ］：ｉ番目の元素を除去した添字集合を表す。

ｎ：サンプルの数；
ｍ：属性の数；
ｄ：特徴の次元数；
Ｙ∈Ｒ^ｎ＊ｎ：ｎ個の独立したサンプルｙ_ｉ（ｉ∈［ｎ］）が含まれる出力／属性／ラベル行列；
Ｘ∈Ｒ^ｎ＊ｄ：ｎ個の独立したサンプルｘ_ｉ（ｉ∈［ｎ］）が含まれる入力／特徴行列；
本願では、Ｙに欠損値が含まれることが許可される。観測されたラベルの添字集合として、Ω＝｛（ｉ，ｊ）；ｉ∈［ｎ］，ｊ∈［ｍ］，ｙ_ｉｊは観測されたラベル値である｝を定義する。モデルは、それに対応する特徴及び属性ラベルにて訓練される。

本願では、Ｙに含まれるものが全てカテゴリ変数であり、即ち、各ｊ∈［ｍ］について、ｙ_ｉｊ∈［ｋ_ｊ］となると仮定する。
一般性を失わずに、Ｙの第１列がアイデンティティラベルであり、残りの列が複数種類のドメイン差異ラベルであると仮定する。

第１敵対的生成ネットワーク２４２ａの訓練
第１敵対的生成ネットワーク２４２ａの訓練は、典型的な敵対的学習ネットワークの訓練過程である。生成器Ｇ_０～Ｇ_ｍは、いずれも、特徴抽出に用いられる。識別器Ｄ_１１～Ｄ_ｍｍは、２種類に分けられる。全てのｉ、ｊ∈［ｍ］（ｉ≠ｊ）について、
（１）各識別器Ｄ_ｉｉは、ｉ番目の属性の特徴を学習するためのものであり、各識別器Ｄ_ｉｊは、ｊ番目の属性の特徴を解消するためのものである。

（２）各識別器Ｄ_ｉｉの学習は、標準的な教師あり学習を用い、各識別器Ｄ_ｉｊの学習は、敵対的学習を用いる。

識別器Ｄ_ｉｊの敵対的学習のフローは、交互に実行される下記２つのステップとみなされてもよい。

ステップ６０１では、全てのＧ_ｉを固定して、出力が、それに対応するワンホットエンコーディングのラベルｙ_ｊに近くなるように、Ｄ_ｉｊを最適化させる。

ステップ６０２では、全てのＤ_ｉｊを固定して、出力が、それに対応する（１－ｙ_ｉ）に近くなるように、全てのＧ_ｉを最適化させる。

ここで、ａ番目の属性とｂ番目の属性に因果関係がある場合、識別器Ｄ_ａｂの出力損失が逆伝播されない。ｉ，ｊ，ｊ’∈［ｍ］である。

ステップ６０３では、生成器Ｇ_ｉ及び識別器Ｄ_ｉｊの訓練終了条件が満たされるまで、上記２つのステップを交互に実行する。

任意選択的に、訓練終了条件は、損失関数が目標値に収束すること、又は、訓練回数が所定の回数に達することを含む。

段階１において、敵対的学習の最終的な目的は、全てのＧ_ｉが、それに対応するｉ番目の属性の特徴を抽出できるが、それに対応する他の属性の特徴を抽出できないようにすることである。このように、ｉ番目の属性は、他の属性とデカップリングされることが可能になる。

第１敵対的生成ネットワーク２４２ａの敵対的学習の最適化問題は、以下のとおりである。

まずは、属性学習の最適化問題である。つまり、生成器Ｇ_ｉの損失関数：

ここで、Ｌ_ａｔは属性学習の損失関数であり、ｗ_ｊはｊ番目の属性の重みであり、Ｇ_０は基本生成器であり、Ｇ_ｊはｊ番目の属性に対応する生成器であり、Ｄ_ｊｊはｊｊ番目の識別器であり、ｊは［ｍ］に属する。

次は、ドメイン差異の識別学習である。つまり、識別器の損失関数：

ここで、

はｙ_ｉｊ’に対するワンホットエンコーディングベクトルであり、Ｌ_ａｄは敵対的学習の損失関数であり、

は（ｊ，ｊ’）属性対の重みであり、ｊ，ｊ’は［ｍ＋１］に属し、ｘ_ｉは訓練セットにおける原特徴である。

ステップ３は、ドメイン差異の解消である。

ここで、

であり、１_ｋｊ’は、次元がｋ_ｊ’である全１ベクトルである。

ステップ３において、本願は属性学習も同時に強化させる。

本願で前述した非対称的な因果関係を用いたストラテジーによれば、本願では、属性ｊ’の変化が属性ｊの変化を引き起こす場合、Λ_ｊｊ’＝０にし、それ以外の場合、Λ_ｊｊ’＝１にする。言い換えれば、ｊ’番目の属性とｊ番目の属性に因果関係がある場合、前記識別器Ｄ_ｊｊ’の出力損失が逆伝播されず、ｉ，ｊ，ｊ’∈［ｍ］である。

識別ネットワークの最後の層の活性化関数はｓｏｆｔｍａｘであり、Ｌ_ａｔは交差エントロピー損失であり、Ｌ_ａｄは平均二乗誤差損失である。上記４つの最適化問題は、ループで順次実行される。ここで、ループごとに、最初の２つの最適化問題は１ステップで最適化され、最後の２つの最適化問題は５ステップで最適化される。

図７に示すような模式的な例では、端末のセンサデータを用いて、アイデンティティ認証を行う。端末がスマートフォンである場合を例にする。スマートフォンには、重力加速度センサ及びジャイロセンサが設けられている。ユーザがスクリーン上のパスワード「１７１７１８」をタップすると、重力加速度センサ及びジャイロセンサは、ユーザの操作特徴を収集し、さらにセンサデータを生成する。このセンサデータは、ユーザのアイデンティティを検証することに使用可能である。ただし、各端末のオペレーティングシステム及び本体の厚さが異なり、異なるオペレーティングシステムは、異なるデータ形式でセンサデータを報告し、異なる本体の厚さも、センサによって収集されるセンサデータに影響を与える。したがって、図８の例では、第１敵対的生成ネットワーク２４２ａが基本生成器Ｇ_０、主生成器Ｇ_１、副生成器Ｇ_２、及び副生成器Ｇ_３を含むと仮定する。この例では、主生成器Ｇ_１に対応するネットワークは、アイデンティティ認識について教師あり学習を行い、システム識別及び厚さ識別について敵対的学習を行う。これにより、主生成器Ｇ_１によって抽出された特徴には、アイデンティティ認識の情報のみが含まれ、システム識別及び厚さ識別の特徴が含まれない。同様に、副生成器Ｇ_２によって抽出された特徴には、システム識別の特徴のみが含まれ、アイデンティティ認識及び厚さ識別の特徴が含まれない。同様に、副生成器Ｇ_３によって抽出された特徴には、厚さ識別の特徴のみが含まれる。

本願では、２つずつの属性の間の因果関係が利用されている。具体的には、属性ごとに、本願では、他の全ての属性の集合における１つのサブセットを選択して、デカップリングを行う。選択は、各属性と他の属性との因果関係に基づいて行われる。即ち、他の属性が、該属性の変化を引き起こす原因とされない場合、他の属性は、該属性とのデカップリングを行うことができる。このような技術によれば、本願の方法は、属性の選択を柔軟に行う能力を有する。これにより、全ての他の属性（特に因果関係がある属性）を強制的にデカップリングすることによる負の転移が回避されるとともに、デカップリングされる属性が少なすぎることによる属性依存が回避される。図８を例にして、厚さの変化がシステムの変化を引き起こすとすれば、システム識別という属性については、厚さ識別とのデカップリングを行うことができない。一方、厚さ識別に関して、システムの変化が厚さの変化の原因ではないため、厚さ識別という属性は、システム識別という属性とのデカップリングを行うことができる。このため、図８に示す構成となり、副生成器Ｇ_２のネットワークには、厚さ識別の敵対的な目標が除去される。しかし、副生成器Ｇ_３のネットワークには、システム識別の敵対的な目標が除去されない。

本願において、上記の非対称的な因果関係を利用する理由は、以下のとおりである。図８を例にして、厚さの変化が必ずシステムの変化を引き起こすとすれば、副生成器Ｇ_２における特徴から、システムの変化を認識することができると、厚さの変化が認識されないことは不可能である。これは、厚さの変化が必ず認識可能なシステムの変化を引き起こすとすれば、その結果、最終的に厚さの変化が認識されるからである。しかし、逆の場合、このような関係はない。

第２敵対的生成ネットワーク２４２ｂ
図５に示すように、第２敵対的生成ネットワーク２４２ｂは、ｍ個の加法的空間変換ネットワークＴ_１～Ｔ_ｍ、及びｍ個の認識ネットワークＲ_１～Ｒ_ｍを含む。

第１敵対的生成ネットワーク２４２ａによる組み合わせ属性特徴ベクトルは、ｍ個の加法的空間変換ネットワークＴ_１～Ｔ_ｍのそれぞれによって、ｍ個の加法的特徴ベクトルｓ_１，…，ｓ_ｍに変換される。ｍ個の加法的特徴ベクトルの加算によって、１つの和特徴ベクトルｕが形成され、次に、認識のために、ｍ個の属性にそれぞれ対応するｍ個の認識ネットワークＲ_１，…，Ｒ_ｍに送られる。

ここで、ｍ個の加法的空間変換ネットワークのうち、アイデンティティ認識に対応する加法的空間変換ネットワークＴ_１は、主加法的空間変換ネットワークと呼んでもよく、ｍ個の認識ネットワークのうち、アイデンティティ認識に対応する認識ネットワークＲ_１は、主認識ネットワークと呼んでもよい。

第２敵対的生成ネットワーク２４２ｂの訓練
図９は、本願の１つの例示的な実施例で提供される第２敵対的生成ネットワーク２４２ｂの訓練方法のフローチャートを示す。該方法は、以下のステップを含む。

ステップ９０１では、第１敵対的生成ネットワークによって生成された、異なる属性に対応する属性特徴ベクトルをランダムに組み合わせて、ｎ_ｒ個の組み合わせ属性特徴ベクトルを生成する。

ステップ９０２では、ｎ_ｒ個の組み合わせ属性特徴ベクトルを第１ベクトル集合及び第２ベクトル集合に分割する。第１ベクトル集合における組み合わせ属性特徴ベクトルの属性組み合わせは、訓練セットに現れる属性組み合わせであり、第２ベクトル集合における組み合わせ属性特徴ベクトルの属性組み合わせは、訓練セットに現れない属性組み合わせである。

第１敵対的生成ネットワーク２４２ａによって生成された、異なる属性に対応する属性特徴ベクトルをランダムに組み合わせて、ｎ_ｒ個の組み合わせ属性特徴ベクトルを生成する。各組み合わせ属性特徴ベクトルは、それぞれ、属性組み合わせに対応するものであり、属性組み合わせに基づいて、訓練セットに現れる属性組み合わせと、訓練セットに現れない属性組み合わせとの２つのサブセットに分けられる。以下の２つの添字集合Ω_ｓ及びΩ_ｕを定義する。

Ω_ｓ＝｛ｉ∈ｎ_ｒ｝：訓練セットで見たことのある属性組み合わせの添字；
Ω_ｕ＝｛ｉ∈ｎ_ｒ｝：訓練セットで見たことのない属性組み合わせの添字。

ステップ９０３では、第１ベクトル集合及び第２ベクトル集合を用いて、加法的空間変換ネットワーク及び認識ネットワークを予測する。

ｊ番目の加法的空間変換ネットワークは、ｊ番目の組み合わせ属性特徴ベクトルをｊ番目の加法的特徴ベクトルに変換するためのものであり、ｊ番目の認識ネットワークは、ｍ個の加法的特徴ベクトルの和特徴ベクトルに対して、ｊ番目の属性に対応するラベル認識を行うためのものである。

ステップ９０４では、訓練過程で生じた、第１ベクトル集合の第１損失に対して、各属性に対応する認識ネットワーク及び加法的空間変換ネットワークに第１損失を逆伝播して訓練する。

各ｊ∈［ｍ］について、下記の最適化問題を最適化させる。

ここで、Ｌ_ｒは認識損失関数であり、ｗ^’ _ｊは属性ｊの重みである。Ｒ_ｊはｊ番目の属性に対応する加法的空間変換ネットワークであり、Ｔ_ｊはｊ番目の属性に対応する認識ネットワークであり、Ｔ_ｊ’はｊ’番目の属性に対応する認識ネットワークであり、ｆ_ｉｊ’はｉ番目のサンプルのｊ’番目の属性の隠れ層特徴ベクトルであり、符号「～」はランダムに組み合わせたものを表す。ｓ．ｔ．はｓｕｂｊｅｃｔ ｔｏの略語であり、ｕ_ｉが制約条件を満たすようにすることを表す。

ステップ９０５では、訓練過程で生じた、第２ベクトル集合の第２損失に対して、他の属性に対応する認識ネットワーク及び加法的空間変換ネットワークに第２損失を逆伝播して訓練する。

各ｊ∈［ｍ］について、下記の最適化問題を最適化させる。

ここで、Ｌ_ｒは認識損失関数であり、ｗ^’ _ｊは属性ｊの重みである。Ｒ_ｊはｊ番目の属性に対応する加法的空間変換ネットワークであり、Ｔ_ｊはｊ番目の属性に対応する認識ネットワークであり、Ｔ_ｊ’はｊ’番目の属性に対応する認識ネットワークであり、ｆ_ｉｊ’はｉ番目のサンプルのｊ’番目の属性の隠れ層特徴ベクトルであり、符号「～」はランダムに組み合わせたものを表す。ｓ．ｔ．はｓｕｂｊｅｃｔ ｔｏの略語であり、ｕ_ｉが制約条件を満たすようにすることを表す。

全ての認識ネットワーク（Ｒネットワーク）の最後の層の活性化関数もｓｏｆｔｍａｘ関数である。Ｌ_ｒは交差エントロピー損失関数である。

加法的敵対的ネットワークの最適化メカニズムは、図１０に示すとおりである。最初の２つの属性が、それぞれ、物体カテゴリ及び色カテゴリであると仮定する。加法的敵対的ネットワークの最初の２つのブランチは、この２つの属性の学習に順次対応するものである。まず、見たことのある属性組み合わせの訓練が完了したと仮定する。例えば、白い山は、物体「山」及び色「白」として精確に認識されることができる。次に、見たことのない属性組み合わせである白い山と緑の木に関して、本願は、物体「山」及び色「緑」をネットワークに出力させる。見たことのある組み合わせの訓練が完了したと仮定する前提で、現在出力された色が「緑」でなければ、誤差がネットワークの１番目のブランチにおける「白」の情報に由来することを信じる理由がある。この場合、本願では、２番目のブランチの出力に生じた色誤差を１番目のブランチに返して、それにおける色情報を解消する。このようにすると、１番目のブランチにおける色情報によるドメイン差異が解消される。

説明すべきものとして、上記の訓練セットでは、各ユーザ群が、１種類のドメイン、例えば、１つの機器タイプのみに対応するものである。ユーザ群は、ドメイン差別に応じて分割される。１つのドメイン上で訓練されたモデルは、他のドメイン上でテストする必要がある。表２に示すように、各ユーザ群は、１種類のドメイン差別しか考慮していない。実際の適用では、複数種類のドメイン差別が可能である。例えば、顔検証の場合、眼鏡、髪型、ひげの差別は、いずれも、ドメイン差別とみなされる。

本願の一例として、上記各実施例における基本生成器Ｇ_０、ｍ個の生成器（属性特徴学習ネットワークとも呼ばれる）Ｇ_１～Ｇ_ｍ、ｍ個の加法的空間変換ネットワークＴ_１～Ｔ_ｍは、任意のニューラルネットワークであってもよい。

本願の一例として、上記各実施例における識別器、ｍ＊ｍ個の識別器Ｄ_１１～Ｄ_ｍｍ、ｍ個の認識ネットワークＲ_１～Ｒ_ｍの最後の層の活性化関数は、ｓｏｆｔｍａｘ関数、ｓｉｇｍｏｉｄ関数、ｔａｎｈ関数、一次関数、ｓｗｉｓｈ活性化関数、ｒｅｌｕ活性化関数のうちのいずれか１つであってもよい。

本願の一例として、損失関数（段階１のＬ_ａｔとＬ_ａｄ、段階２のＬ_ｒを含む）は、いずれも、交差エントロピー損失（ｃｒｏｓｓ ｅｎｔｒｏｐｙ ｌｏｓｓ）、ロジスティック損失（ｌｏｇｉｓｔｉｃ ｌｏｓｓ）、平均二乗損失（ｍｅａｎ ｓｑｕａｒｅ ｌｏｓｓ）、二乗損失（ｓｑｕａｒｅ ｌｏｓｓ）、ｌ_２ノルム損失、及びｌ_１ノルム損失であってもよい。

本願の一例として、上記各実施例において、

であり、ここで、１_ｋｊ’は、次元がｋ_ｊ’である全１ベクトルである。）である。ここでの

は、次元がｋ_ｊ’である他の４種類のベクトルに置き換えてもよい。

（１）全０ベクトル；
（２）全１ベクトル；
（３）全０．５ベクトル；
（４）ｒ∈［ｋ_ｊ’］について、ｒ次元目は、

とされ、ここで、Ｉ（）は特性関数であり、即ち、訓練セットにおけるラベルの事前確率に従って値を取る。

アイデンティティ検証段階
図１１は、本願の１つの例示的な実施例で提供されるアイデンティティ検証方法のフローチャートを示す。該方法は、図１に示すサーバによって実行されてもよい。該方法は、以下のステップを含む。

ステップ１１０１では、ユーザの原特徴を収集する。原特徴にｍ－１種類のドメイン差異特徴が存在する。

ドメインは、訓練セット内のサンプルサブセットに対して全体的な分布偏差を発生させる要素である。ドメインは、髪の色、ひげ、眼鏡、機種、オペレーティングシステム、本体の厚さ、アプリケーションタイプのうちの少なくとも２種類を含むが、これらに限定されない。ｍは２よりも大きい整数である。

ステップ１１０２では、原特徴における主属性特徴ベクトルを抽出する。主属性特徴ベクトルは、原特徴におけるｍ－１種類のドメイン差異特徴に対して選択的デカップリングを行った不偏特徴表現である。

任意選択的に、サーバは、アイデンティティ検証モデルを呼び出して、原特徴における主属性特徴ベクトルを抽出する。該アイデンティティ検証モデルは、
第１敵対的生成ネットワークを含み、又は、第１敵対的生成ネットワークと、第２敵対的生成ネットワークとを含む。

ここで、第１敵対的生成ネットワークは、因果関係に基づいて、ｍ－１種類のドメイン差異特徴に対して選択的デカップリングを行うことにより訓練されたネットワークであり、前記第２敵対的生成ネットワークは、前記第１敵対的生成ネットワークによって抽出された、異なる属性の属性特徴ベクトルをランダムに組み合わせた後に、加法的敵対的な訓練を行って得られたネットワークである。

ステップ１１０３では、主属性特徴ベクトルに基づいて、アイデンティティ検証を行うことにより、アイデンティティ検証結果を取得する。

任意選択的に、サーバは、アイデンティティ検証モデルを呼び出して、主属性特徴ベクトルに基づいて、アイデンティティ検証を行うことにより、アイデンティティ検証結果を取得する。

ステップ１１０４では、アイデンティティ検証結果に従ってターゲット操作を行う。

ターゲット操作は、アイデンティティ検証に関連するセンシティブな操作であってもよい。ターゲット操作は、スクリーンロックインタフェースのロック解除、秘密空間のロック解除、支払行動の承認、振替行動の承認、復号化行動の承認などを含むが、これらに限定されない。

本願の実施例は、「ターゲット操作」の具体的な操作形態について限定しない。

前記のように、本実施例で提供される方法では、アイデンティティ検証モデルによって、原特徴における主属性特徴ベクトルを抽出し、主属性特徴ベクトルに基づいて、アイデンティティ検証を行うことにより、アイデンティティ検証結果を取得する。該主属性特徴ベクトルが、原特徴における複数種類のドメイン差異特徴に対して選択的デカップリングを行った不偏特徴表現であるため、複数種類のドメイン差異特徴によるアイデンティティ検証過程への影響ができるだけ解消され、原特徴にドメイン差異（例えば、ひげを生やしたり、髪型を変えたりする）が存在しても、アイデンティティ検証が正確に実現できる。

説明すべきものとして、アイデンティティ検証段階では、第１敵対的生成ネットワークについて、第１敵対的生成ネットワークの基本生成器、主生成器、及び主識別器のみが必要であり、第２敵対的生成ネットワークについて、主加法的空間変換ネットワーク及び主認識ネットワークのみが必要である。

第１敵対的生成ネットワークが単独でアイデンティティ検証モデルとして用いられる場合を例にすると、対応するアイデンティティ検証方法は、下記の実施例を参照する。第１敵対的生成ネットワークは、基本生成器、主生成器、及び主識別器を含む。

図１２は、本願の他の例示的な実施例で提供されるアイデンティティ検証方法のフローチャートを示す。該方法は、図１に示すサーバによって実行されてもよい。該方法は、以下のステップを含む。

ステップ１２０１では、ユーザの原特徴を収集する。原特徴にｍ－１種類（ｍは２よりも大きい整数である）のドメイン差異特徴が存在する。

ステップ１２０２では、基本生成器を呼び出して、原特徴をグローバル属性特徴ベクトルに変換する。

基本生成器Ｇ_０は、図５に示すように、原特徴ｘをグローバル属性特徴ベクトルｆ_０に変換するためのものである。グローバル属性特徴ベクトルｆ_０には、アイデンティティ属性の特徴と、ｍ－１個のドメイン差異特徴とが混在している。

ステップ１２０３では、主生成器を呼び出して、グローバル属性特徴ベクトルに対して特徴抽出を行うことにより、第１主属性特徴ベクトルを取得する。

主生成器Ｇ_１は、グローバル属性特徴ベクトルｆ_０に対して特徴抽出を行うことにより、第１主属性特徴ベクトルｆ_１を取得するためのものである。第１主属性特徴ベクトルｆ_１は、アイデンティティ属性に対応する特徴ベクトルである（ｍ－１種類のドメイン差異特徴に対してデカップリングを行った）。第１主属性特徴ベクトルｆ_１は、原特徴におけるｍ－１種類のドメイン差異特徴に対して選択的デカップリングを行った不偏特徴表現である。

ステップ１２０４では、主識別器を呼び出して、第１主属性特徴ベクトルに対してアイデンティティ検証を行うことにより、アイデンティティ検証結果を取得する。

主識別器Ｄ_１１は、第１主属性特徴ベクトルに対してアイデンティティラベル予測を行うことにより、対応するアイデンティティラベルを出力するためのものである。アイデンティティラベルは、アイデンティティラベルｉに属すること、又は、既存のいずれのアイデンティティラベルにも属しないことを含む。

ステップ１２０５では、アイデンティティ検証結果に従ってターゲット操作を行う。

ターゲット操作は、アイデンティティ検証に関連するセンシティブな操作であってもよい。ターゲット操作は、スクリーンロックインタフェースのロック解除、秘密空間のロック解除、支払行動の承認、振替行動の承認、復号化行動の承認などを含むが、これらに限定されない。

本願の実施例は、「ターゲット操作」の具体的な操作形態について限定しない。

前記のように、本実施例で提供される方法では、第１敵対的生成ネットワークによって、不偏アイデンティティ検証を行う。第１敵対的生成ネットワークは、因果関係を持つ少なくとも２種類のドメイン差異をデカップリングする際に、因果関係を持つ少なくとも２種類のドメイン差異に対して強制的なデカップリングを行わないため、負の転移を引き起こすことはなく、又はその確率が極めて小さい。これにより、因果関係を持つ少なくとも２種類のドメイン差異を良くデカップリングすることができ、優れた不偏アイデンティティ検証結果が取得される。

第１敵対的生成ネットワークと第２敵対的生成ネットワークとがカスケードでアイデンティティ検証モデルとして用いられる場合を例にすると、対応するアイデンティティ検証方法は、下記の実施例を参照する。第１敵対的生成ネットワークは、基本生成器、主生成器、及び主識別器を含み、第２敵対的生成ネットワークは、主加法的空間変換ネットワーク及び主認識ネットワークを含む。

図１３は、本願の他の例示的な実施例で提供されるアイデンティティ検証方法のフローチャートを示す。該方法は、図１に示すサーバによって実行されてもよい。該方法は、以下のステップを含む。

ステップ１３０１では、ユーザの原特徴を収集する。前記原特徴にｍ－１種類（ｍは２よりも大きい整数である）のドメイン差異特徴が存在する。

ステップ１３０２では、第１敵対的生成ネットワークの基本生成器を呼び出して、原特徴をグローバル属性特徴ベクトルに変換する。

基本生成器Ｇ_０は、図５に示すように、原特徴ｘをグローバル属性特徴ベクトルｆ_０に変換するためのものである。グローバル属性特徴ベクトルｆ_０には、アイデンティティ属性の特徴と、ｍ－１個のドメイン差異特徴とが混在している。

ステップ１３０３では、第１敵対的生成ネットワークの主生成器を呼び出して、グローバル属性特徴ベクトルに対して特徴抽出を行うことにより、第１主属性特徴ベクトルを取得する。

主生成器Ｇ_１は、グローバル属性特徴ベクトルｆ_０に対して特徴抽出を行うことにより、第１主属性特徴ベクトルｆ_１を取得するためのものである。第１主属性特徴ベクトルｆ_１は、アイデンティティ属性に対応する特徴ベクトルであり（ｍ－１種類のドメイン差異特徴に対してデカップリングを行った）。第１主属性特徴ベクトルｆ_１は、原特徴におけるｍ－１種類のドメイン差異特徴に対して選択的デカップリングを行った不偏特徴表現である。

ステップ１３０４では、第１敵対的生成ネットワークの主識別器を呼び出して、第１主属性特徴ベクトルに対して第１識別を行った後、組み合わせ属性特徴ベクトルを第２敵対的生成ネットワークに出力する。

主識別器Ｄ_１１は、第１主属性特徴ベクトルｆ_１に対して第１識別を行った後、組み合わせ属性特徴ベクトルｆ’_１を第２敵対的生成ネットワークに出力するためのものである。

ステップ１３０５では、第２敵対的生成ネットワークの主加法的空間変換ネットワークを呼び出して、第１敵対的生成ネットワークから出力された組み合わせ属性特徴ベクトルを変換することにより、加法的特徴ベクトルを取得する。

主加法的空間変換ネットワークＴ_１は、第１敵対的生成ネットワークから出力された組み合わせ属性特徴ベクトルｆ’_１を変換することにより、加法的特徴ベクトルＳ_１を取得する。

ステップ１３０６では、第２敵対的生成ネットワークの主認識ネットワークを呼び出して、加法的特徴ベクトルに対してアイデンティティ認識を行うことにより、アイデンティティ検証結果を取得する。

主認識ネットワークＲ_１は、加法的特徴ベクトルＳ_１に対してアイデンティティラベル予測を行って、対応するアイデンティティラベルを出力する。アイデンティティラベルは、アイデンティティラベルｉに属すること、又は、既存のいずれのアイデンティティラベルにも属しないことを含む。

説明すべきものとして、図５と異なる点は、予測段階において、ランダムな組み合わせ過程、及び複数の加法的特徴ベクトルの加算過程を行う必要がないことである。

ステップ１３０７では、アイデンティティ検証結果に従ってターゲット操作を行う。

ターゲット操作は、アイデンティティ検証に関連するセンシティブな操作であってもよい。ターゲット操作は、スクリーンロックインタフェースのロック解除、秘密空間のロック解除、支払行動の承認、振替行動の承認、復号化行動の承認などを含むが、これらに限定されない。

本願の実施例は、「ターゲット操作」の具体的な操作形態について限定しない。

前記のように、本実施例で提供される方法では、第１敵対的生成ネットワークによって、不偏アイデンティティ検証を行う。第１敵対的生成ネットワークは、因果関係を持つ少なくとも２種類のドメイン差異をデカップリングする際に、因果関係を持つ少なくとも２種類のドメイン差異に対して強制的なデカップリングを行わないため、負の転移を引き起こすことはなく、又はその確率が極めて小さい。これにより、因果関係を持つ少なくとも２種類のドメイン差異を良くデカップリングすることができ、優れた不偏アイデンティティ検証結果が取得される。

これに加えて、本実施例で提供される方法では、第１敵対的生成ネットワークの後に第２敵対的生成ネットワークをカスケードすることによって、不偏アイデンティティ検証を行う。第２敵対的生成ネットワークが無関係の属性のドメイン差異を十分にデカップリングするため、無関係の属性のドメイン差異に対するデカップリングが不十分であることにより、学習された特徴に多すぎる属性依存が依然として存在するという問題が解決される。これにより、複数種類のドメイン差異の間に暗黙的な関係属性が存在する場合においても、複数種類のドメイン差異を良くデカップリングすることができ、デカップリング性能を向上させ、より優れた不偏アイデンティティ検証結果が取得される。

本願で提供されるアイデンティティ検証方法は、下記のシナリオに適用できる。

１、顔認識に基づくアイデンティティ検証シナリオ
顔認識技術を用いてアイデンティティ検証を行う場合、端末は、ユーザの顔画像を収集して、アイデンティティ認識を行う。同一のユーザの場合、該ユーザが、ひげを生やすか生やさないか、長い髪にするか短い髪にするか、眼鏡をかけるかかけないかを選択し得るため、同一のユーザの異なる顔画像にドメイン差異特徴が存在する。これらのドメイン差異特徴は、いずれも、アイデンティティ検証の検証結果が正確であるか否かに影響を及ぼす。これらのドメイン差異特徴によるアイデンティティ検証過程への影響を解消するために、上記の実施例におけるアイデンティティ検証方法を使用してもよい。これにより、ドメイン差異特徴が存在する場合にも、アイデンティティ検証結果を正確に取得することができる。

２、センサデータに基づくアイデンティティ検証シナリオ
センサデータを用いてアイデンティティ検証を行う場合、端末内に加速度センサ及び／又はジャイロセンサが設けられており、センサによって、ユーザが端末を使用するときの行動特徴を収集する。行動特徴は、ユーザが端末をクリックする力の強さ、ユーザが端末をクリックする頻度、ユーザが端末を連続的にクリックする場合の一時停止のリズムの特徴を含む。異なるセンサから報告されたセンサデータのフォーマットが異なり、異なるオペレーティングシステムによるセンサデータのフォーマットへの要求が異なり、異なる形状及び厚さの端末（同じセンサが取り付けられている）によって収集された行動特徴も異なるが、現在のユーザは、１年１回新しい端末（例えば、携帯電話）に交換し得る。その結果、同一のユーザアカウントは、異なる端末上でアイデンティティ検証を行う場合、ドメイン差異特徴が存在する。これらのドメイン差異特徴は、いずれも、アイデンティティ検証の検証結果が正確であるか否かに影響を及ぼす。これらのドメイン差異特徴によるアイデンティティ検証過程への影響を解消するために、上記の実施例におけるアイデンティティ検証方法を使用してもよい。これにより、ドメイン差異特徴が存在する場合にも、アイデンティティ検証結果を正確に取得することができる。

３、指紋データに基づくアイデンティティ検証シナリオ
指紋データを用いてアイデンティティ検証を行う場合、端末内に指紋センサが設けられており、指紋センサによって、ユーザが端末を使用するときの指紋特徴を収集する。異なる指紋センサから報告された指紋データのフォーマットが異なるため、ユーザが端末を交換すると、同一のユーザアカウントは、異なる端末上でアイデンティティ検証を行う場合、ドメイン差異特徴が存在する。これらのドメイン差異特徴は、いずれも、アイデンティティ検証の検証結果が正確であるか否かに影響を及ぼす。これらのドメイン差異特徴によるアイデンティティ検証過程への影響を解消するために、上記の実施例におけるアイデンティティ検証方法を使用してもよい。これにより、ドメイン差異特徴が存在する場合にも、アイデンティティ検証結果を正確に取得することができる。

４、虹彩認識に基づくアイデンティティ検証シナリオ
虹彩認識技術を用いてアイデンティティ検証を行う場合、端末は、ユーザの虹彩画像を収集して、アイデンティティ認識を行う。同一のユーザの場合、該ユーザは、コンタクトレンズを着用している場合も、コンタクトレンズを着用していない場合もある。異なるコンタクトレンズには、異なる模様がある可能性もある。このようなコンタクトレンズに起因するドメイン差異は、アイデンティティ検証の検証結果が正確であるか否かに影響を及ぼす。これらのドメイン差異特徴によるアイデンティティ検証過程への影響を解消するために、上記の実施例におけるアイデンティティ検証方法を使用してもよい。これにより、ドメイン差異特徴が存在する場合にも、アイデンティティ検証結果を正確に取得することができる。

以下は、本願の実施例で提供される装置の実施例である。装置の実施例において詳しく説明されていない詳細については、装置の実施例と１対１で対応する上記の方法の実施例を参照すればよい。

図１４は、本願の１つの例示的な実施例で提供されるアイデンティティ検証装置のブロック図を示す。該装置は、ソフトウェア、ハードウェア、又は両者の組み合わせによって、サーバの全部又は一部として実現されてもよい。該装置は、収集モジュール１４２０と、アイデンティティ検証モジュール１４４０と、操作モジュール１４６０とを含む。

収集モジュール１４２０は、ユーザの原特徴を収集し、原特徴にｍ－１種類のドメイン差異特徴が存在する。

アイデンティティ検証モジュール１４４０は、前記原特徴における主属性特徴ベクトルを抽出し、前記主属性特徴ベクトルは、前記原特徴におけるｍ－１種類（ｍは２よりも大きい整数である）のドメイン差異特徴に対して選択的デカップリングを行った不偏特徴表現である。

前記アイデンティティ検証モジュール１４４０は、さらに、前記主属性特徴ベクトルに基づいて、不偏アイデンティティ検証処理を行うことにより、アイデンティティ検証結果を取得する。

操作モジュール１４６０は、前記アイデンティティ検証結果に従ってターゲット操作を行う。

１つの可能な実現形態において、アイデンティティ検証モジュール１４４０は、アイデンティティ検証モデルを呼び出して、前記原特徴に対して特徴抽出を行うことにより、前記原特徴における主属性特徴ベクトルを取得する。ここで、前記アイデンティティ検証モデルは、第１敵対的生成ネットワークを含み、又は、前記第１敵対的生成ネットワークと、第２敵対的生成ネットワークとを含む。

１つの可能な実現形態において、前記第１敵対的生成ネットワークは、基本生成器と、主生成器と、主識別器とを含み、
前記アイデンティティ検証モジュール１４４０は、前記基本生成器を呼び出して、前記原特徴をグローバル属性特徴ベクトルに変換し、
前記アイデンティティ検証モジュール１４４０は、前記主生成器を呼び出して、前記グローバル属性特徴ベクトルに対して特徴抽出を行うことにより、第１主属性特徴ベクトルを取得し、
前記アイデンティティ検証モジュール１４４０は、前記主識別器を呼び出して、前記第１主属性特徴ベクトルに対してアイデンティティ検証を行うことにより、アイデンティティ検証結果を取得し、又は、前記主識別器を呼び出して、前記第１主属性特徴ベクトルに第１識別を行った後、組み合わせ属性特徴ベクトルを前記第２敵対的生成ネットワークに出力する。

１つの可能な実現形態において、前記第１敵対的生成ネットワークは、
因果関係を持つ第１ドメイン差異特徴と第２ドメイン差異特徴が前記原特徴に存在する場合、前記第２ドメイン差異特徴に対して敵対的学習を行う過程において、前記第１ドメイン差異特徴とのデカップリング学習を無視する方式によって訓練されたものである。

１つの可能な実現形態において、前記第１敵対的生成ネットワークは、ｍ個の生成器Ｇ_１～Ｇ_ｍを含み、それぞれの前記生成器Ｇ_ｊは、ｍ個の識別器Ｄ_ｊ１～Ｄ_ｊｍに対応するものであり、ｊ番目の生成器Ｇ_ｊは、ｊ番目の属性の特徴を学習するためのものであり、前記アイデンティティに対応する生成器Ｇ_１は前記主生成器であり、前記生成器Ｇ_１に対応する識別器Ｄ_１１は前記主識別器であり、ｉ，ｊ，ｊ’∈［ｍ］であり、
前記第１敵対的生成ネットワークは、
全ての生成器Ｇ_ｉを固定して、出力が、前記ｉ番目の属性に対応するラベルｙ_ｉに近くなるように、全ての識別器Ｄ_ｉｊを最適化させ、
全ての識別器Ｄ_ｉｊを固定して、出力が、前記ｉ番目の属性に対応する（１－ｙ_ｉ）に近くなるように、全ての生成器Ｇ_ｉを最適化させる方式によって訓練されたものであり、
ｊ’番目の属性とｊ番目の属性に因果関係がある場合、識別器Ｄ_ｊｊ’の出力損失が逆伝播されず、ｉ，ｊ，ｊ’∈［ｍ］である。

１つの可能な実現形態において、前記第２敵対的生成ネットワークは、主加法的空間変換ネットワークと、主認識ネットワークとを含み、
前記アイデンティティ検証モジュール１４４０は、前記主加法的空間変換ネットワークを呼び出して、前記第１敵対的生成ネットワークから出力された組み合わせ属性特徴ベクトルを変換することにより、加法的特徴ベクトルを取得し、
前記アイデンティティ検証モジュール１４４０は、前記主認識ネットワークを呼び出して、前記加法的特徴ベクトルに対してアイデンティティ認識を行うことにより、アイデンティティ検証結果を取得する。

１つの可能な実現形態では、前記第２敵対的生成ネットワークは、
前記第１敵対的生成ネットワークによって訓練セットから抽出された異なる属性特徴ベクトルをランダムに組み合わせ、
ランダムに組み合わせられた組み合わせ属性特徴ベクトルに対して加法的敵対的な訓練を行う方式によって訓練されたものであり、
少なくとも１つの前記組み合わせ属性特徴ベクトルに対応する属性組み合わせは、前記訓練セットに現れない属性組み合わせである。

１つの可能な実現形態において、前記第２敵対的生成ネットワークは、前記ｍ個の属性に１対１で対応するｍ個の加法的空間変換ネットワーク及びｍ個の認識ネットワークを含み、ｊ∈［ｍ］であり、
前記第２敵対的生成ネットワークは、
前記第１敵対的生成ネットワークによって生成された、異なる属性に対応する属性特徴ベクトルをランダムに組み合わせて、ｎ_ｒ個の組み合わせ属性特徴ベクトルを生成するステップと、
前記ｎ_ｒ個の組み合わせ属性特徴ベクトルを第１ベクトル集合及び第２ベクトル集合に分割するステップであって、第１ベクトル集合における組み合わせ属性特徴ベクトルの属性組み合わせは、前記訓練セットに現れる属性組み合わせであり、第２ベクトル集合における組み合わせ属性特徴ベクトルの属性組み合わせは、前記訓練セットに現れない属性組み合わせである、ステップと、
前記第１ベクトル集合及び前記第２ベクトル集合を用いて、前記加法的空間変換ネットワーク及び前記認識ネットワークを予測するステップであって、ｊ番目の加法的空間変換ネットワークは、ｊ番目の組み合わせ属性特徴ベクトルをｊ番目の加法的特徴ベクトルに変換するためのものであり、ｊ番目の認識ネットワークは、ｍ個の加法的特徴ベクトルの和特徴ベクトルに対して、ｊ番目の属性に対応するラベル認識を行うためのものである、ステップと、
予測過程で生じた、前記第１ベクトル集合の第１損失に対して、各属性に対応する前記認識ネットワーク及び前記加法的空間変換ネットワークに前記第１損失を逆伝播するステップと、
予測過程で生じた、前記第２ベクトル集合の第２損失に対して、他の属性に対応する前記認識ネットワーク及び前記加法的空間変換ネットワークに前記第２損失を逆伝播するステップと、によって訓練されたものである。

図１５は、本願の１つの例示的な実施例で提供される第１敵対的生成ネットワークの訓練装置のブロック図を示す。該装置は、ソフトウェア、ハードウェア、又は両者の組み合わせによって、サーバの全部又は一部として実現されてもよい。前記第１敵対的生成ネットワークは、ｍ個の生成器Ｇ_１～Ｇ_ｍを含み、それぞれの前記生成器Ｇ_ｊは、ｍ個の識別器Ｄ_ｊ１～Ｄ_ｊｍに対応するものであり、ｊ番目の生成器Ｇ_ｊは、ｊ番目の属性の特徴を学習するためのものであり、前記属性は、アイデンティティと、ｍ－１個のドメインとを含み、ｉ，ｊ，ｊ’∈［ｍ］であり、該装置は、
全ての生成器Ｇ_ｉを固定して、出力が、前記ｉ番目の属性に対応するラベルｙ_ｉに近くなるように、全ての識別器Ｄ_ｉｊを最適化させる第１訓練モジュール１５２０と、
全ての識別器Ｄ_ｉｊを固定して、出力が、前記ｉ番目の属性に対応する（１－ｙ_ｉ）に近くなるように、全ての生成器Ｇ_ｉを最適化させる第２訓練モジュール１５４０と、
前記生成器Ｇ_ｉ及び前記識別器Ｄ_ｉｊの訓練終了条件が満たされるまで、上記２つのステップを交互に実行するように、前記第１訓練モジュール１５２０及び前記第２訓練モジュール１５４０を制御する交互モジュール１５６０と、を含み、
ｊ’番目の属性とｊ番目の属性に因果関係がある場合、識別器Ｄ_ｊｊ’の出力損失が逆伝播されず、ｉ，ｊ，ｊ’∈［ｍ］である。

図１６は、本願の１つの例示的な実施例で提供される第２敵対的生成ネットワークの訓練装置のブロック図を示す。該装置は、ソフトウェア、ハードウェア、又は両者の組み合わせによって、サーバの全部又は一部として実現されてもよい。前記第２敵対的生成ネットワークは、ｍ個の属性に１対１で対応するｍ個の加法的空間変換ネットワーク及びｍ個の認識ネットワークを含み、前記属性は、アイデンティティと、ｍ－１種類のドメイン差異とを含み、ｊ∈［ｍ］であり、ｍは２よりも大きい整数であり、該装置は、
訓練セットから抽出された、異なる属性に対応する属性特徴ベクトルをランダムに組み合わせて、ｎ_ｒ個の組み合わせ属性特徴ベクトルを生成するランダム組み合わせモジュール１６２０と、
前記ｎ_ｒ個の組み合わせ属性特徴ベクトルを第１ベクトル集合及び第２ベクトル集合に分割する集合分割モジュール１６４０であって、第１ベクトル集合における組み合わせ属性特徴ベクトルの属性組み合わせは、前記訓練セットに現れる属性組み合わせであり、第２ベクトル集合における組み合わせ属性特徴ベクトルの属性組み合わせは、前記訓練セットに現れない属性組み合わせである、集合分割モジュール１６４０と、
前記第１ベクトル集合と前記第２ベクトル集合を用いて、前記加法的空間変換ネットワーク及び前記認識ネットワークを予測する前方訓練モジュール１６６０であって、ｊ番目の加法的空間変換ネットワークは、ｊ番目の組み合わせ属性特徴ベクトルをｊ番目の加法的特徴ベクトルに変換するためのものであり、ｊ番目の認識ネットワークは、ｍ個の加法的特徴ベクトルの和特徴ベクトルに対して、ｊ番目の属性に対応するラベル予測を行うためのものである、前方訓練モジュール１６６０と、
予測過程で生じた、前記第１ベクトル集合の第１損失に対して、各属性に対応する前記認識ネットワーク及び前記加法的空間変換ネットワークに前記第１損失を逆伝播する誤差フィードバックモジュール１６８０と、を含み、
前記誤差フィードバックモジュール１６８０は、予測過程で生じた、前記第２ベクトル集合の第２損失に対して、他の属性に対応する前記認識ネットワーク及び前記加法的空間変換ネットワークに前記第２損失を逆伝播する。

説明すべきものとして、上記の実施例で提供されるアイデンティティ検証装置がアイデンティティを検証する際には、上記の各機能モジュールの分割のみを例として説明されているが、実際の適用では、必要に応じて、上記の機能を異なる機能モジュールに割り当てて完了し、即ち、機器の内部構成を異なる機能モジュールに分割して、以上に説明した全部又は一部の機能を完了してもよい。また、上記の実施例で提供されるアイデンティティ検証装置は、アイデンティティ検証方法の実施例と同一の構想に属し、その具体的な実現過程の詳細は、方法の実施例を参照すればよく、ここでは説明を省略する。

図１７は、本願の１つの実施例で提供されるコンピュータ機器１７００の構成ブロック図を示す。該コンピュータ機器１７００は、携帯電話、タブレットコンピュータ、スマートテレビ、マルチメディア再生機器、ウェアラブル機器、デスクトップコンピュータ、サーバなどの電子機器であってもよい。該コンピュータ機器１７００は、上記の実施例で提供されるアイデンティティ検証方法、第１敵対的生成ネットワークの訓練方法、第２敵対的生成ネットワークの訓練方法のうちのいずれか１つを実施するために使用できる。

通常、コンピュータ機器１７００は、プロセッサ１７０１とメモリ１７０２とを備える。

プロセッサ１７０１は、１つ又は複数の処理コアを含んでもよく、例えば、４コアプロセッサ、８コアプロセッサなどである。プロセッサ１７０１は、デジタル信号プロセッサ（ＤＳＰ：Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ：Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、プログラマブルロジックアレイ（ＰＬＡ：Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ａｒｒａｙ）のうちの少なくとも１つのハードウェアの形で実現されてもよい。プロセッサ１７０１は、メインプロセッサとコプロセッサとを含んでもよい。メインプロセッサは、ウェイク状態でデータを処理するためのプロセッサであり、中央処理装置（ＣＰＵ：Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）とも呼ばれる。コプロセッサは、スタンバイ状態でデータを処理するための低消費電力プロセッサである。いくつかの実施例において、プロセッサ１７０１には、グラフィック処理ユニット（ＧＰＵ：Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）が組み込まれてもよい。ＧＰＵは、ディスプレイに表示しようとするコンテンツのレンダリング及び描画を担当する。いくつかの実施例において、プロセッサ１７０１は、機械学習に関する演算操作を処理するための人工知能（ＡＩ：Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）プロセッサを含んでもよい。

メモリ１７０２は、１つ又は複数のコンピュータ読み取り可能な記憶媒体を含んでもよい。該コンピュータ読み取り可能な記憶媒体は、非一時的なものとし得る。メモリ１７０２は、高速ランダムアクセスメモリ、及び不揮発性メモリ、例えば、１つ又は複数のディスク記憶装置、フラッシュメモリ記憶装置を含んでもよい。いくつかの実施例において、メモリ１７０２内の非一時的なコンピュータ読み取り可能な記憶媒体は、少なくとも１つの命令を記憶する。該少なくとも１つの命令は、プロセッサ１７０１によって実行されると、本願の方法の実施例で提供されるアイデンティティ検証方法、第１敵対的生成ネットワークの訓練方法、第２敵対的生成ネットワークの訓練方法のうちのいずれか１つを実現させる。

いくつかの実施例において、コンピュータ機器１７００は、任意選択的に、周辺機器インタフェース１７０３及び少なくとも１つの周辺機器をさらに含む。プロセッサ１７０１、メモリ１７０２、及び周辺機器インタフェース１７０３の間には、バス又は信号線を介して接続されてもよい。各周辺機器は、バス、信号線、又は回路基板を介して、周辺機器インタフェース１７０３に接続されてもよい。具体的には、周辺機器は、ディスプレイ１７０４、オーディオ回路１７０５、通信インタフェース１７０６、及び電源１７０７のうちの少なくとも１つを含む。

当業者であれば理解できるように、図１７に示す構成が、コンピュータ機器１７００を限定するものではなく、コンピュータ機器１７００は、図示より多く又は少ないコンポーネントを含んでもよく、あるいはいくらかのコンポーネントを組み合わせたものであってもよく、あるいはコンポーネントの異なる配置を採用してもよい。

例示的な実施例では、コンピュータ機器がさらに提供されている。前記コンピュータ機器は、プロセッサとメモリとを備え、メモリには、コンピュータ読み取り可能な命令が記憶されており、コンピュータ読み取り可能な命令は、プロセッサによって実行されると、上記のアイデンティティ検証方法、第１敵対的生成ネットワークの訓練方法、第２敵対的生成ネットワークの訓練方法のうちのいずれか１つをプロセッサに実行させる。

例示的な実施例では、コンピュータ読み取り可能な記憶媒体がさらに提供されている。前記記憶媒体には、コンピュータ読み取り可能な命令が記憶されており、コンピュータ読み取り可能な命令は、１つ又は複数のプロセッサによって実行されると、上記アイデンティティ検証方法を１つ又は複数のプロセッサに実行させる。任意選択的に、上記コンピュータ読み取り可能な記憶媒体は、読み出し専用メモリ（ＲＯＭ：Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ）、ランダムアクセスメモリ（ＲＡＭ：Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、コンパクトディスク読み出し専用メモリ（ＣＤ－ＲＯＭ：Ｃｏｍｐａｃｔ Ｄｉｓｃ Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ）、磁気テープ、フロッピーディスク（登録商標）や光データ記憶機器などであってもよい。

例示的な実施例では、コンピュータ読み取り可能な命令製品がさらに提供されている。該コンピュータ読み取り可能な命令製品は、実行されると、上記のアイデンティティ検証方法、第１敵対的生成ネットワークの訓練方法、第２敵対的生成ネットワークの訓練方法のうちのいずれか１つを実現させる。

理解すべきものとして、本文で言及される「複数」とは、２つ以上を意味する。「及び／又は」は、関連対象の関連関係を記述するものであり、３種類の関係が存在し得ることを表す。例えば、Ａ及び／又はＢは、Ａが単独で存在すること、Ａ及びＢが同時に存在すること、Ｂが単独で存在することの３種類の場合を表すことができる。符号「／」は、一般的に、前後の関連対象に「又は」という関係があることを表す。

当業者であれば理解できるように、上記実施例を実現するためのステップの全部又は一部は、ハードウェアによって実行されてもよいし、プログラムを介して関連ハードウェアに指示することにより実行されてもよい。前記プログラムは、コンピュータ読み取り可能な記憶媒体に記憶されてもよい。上記で言及された記憶媒体は、読み出し専用メモリ、磁気ディスク、又は光ディスクなどであってもよい。

上記は、本願の好ましい実施例に過ぎず、本願の保護範囲を限定するものではない。本願の精神および原則内で行われる種々の修正、均等置換え、改善などは全て本願の保護範囲内に含まれるべきである。

Claims (20)

1. コンピュータ機器が実行するアイデンティティ検証方法であって、
   ユーザの原特徴を収集するステップであって、前記原特徴にｍ－１種類（ｍは２よりも大きい整数である）のドメイン差異特徴が存在する、ステップと、
   前記原特徴における主属性特徴ベクトルを抽出するステップであって、前記主属性特徴ベクトルは、前記原特徴における前記ｍ－１種類のドメイン差異特徴に対して選択的デカップリングを行った特徴表現であり、各ドメイン差異特徴が１つの属性と見なされ、前記選択的デカップリングは、２つの属性の間の因果関係を利用し、属性ごとに、他の属性が該属性の変化を引き起こす原因でない場合、前記他の属性とのデカップリング学習を適用し、他の属性が該属性の変化を引き起こす原因である場合には、前記他の属性とのデカップリング学習を無視する、ステップと、
   前記主属性特徴ベクトルに基づいて、不偏アイデンティティ検証処理を行うことにより、アイデンティティ検証結果を取得するステップと、
   を含む方法。
2. 前記原特徴における主属性特徴ベクトルを抽出する前記ステップは、
   アイデンティティ検証モデルを呼び出して、前記原特徴に対して特徴抽出を行うことにより、前記原特徴における主属性特徴ベクトルを取得するステップを含み、
   前記アイデンティティ検証モデルは、第１敵対的生成ネットワークを含み、
   前記第１敵対的生成ネットワークは、因果関係に基づいて、前記ｍ－１種類のドメイン差異特徴に対して前記選択的デカップリングを行うことにより訓練されたネットワークである、
   ことを特徴とする請求項１に記載の方法。
3. 前記原特徴における主属性特徴ベクトルを抽出する前記ステップは、
   アイデンティティ検証モデルを呼び出して、前記原特徴に対して特徴抽出を行うことにより、前記原特徴における主属性特徴ベクトルを取得するステップを含み、
   前記アイデンティティ検証モデルは、第１敵対的生成ネットワークと、第２敵対的生成ネットワークとを含み、
   前記第１敵対的生成ネットワークは、因果関係に基づいて、前記ｍ－１種類のドメイン差異特徴に対して前記選択的デカップリングを行うことにより訓練されたネットワークであり、前記第２敵対的生成ネットワークは、前記第１敵対的生成ネットワークによって抽出された、異なる属性の属性特徴ベクトルをランダムに組み合わせた後に、加法的敵対的な訓練を行って得られたネットワークであり、前記属性は、アイデンティティと、ｍ－１種類のドメイン差異とを含む、
   ことを特徴とする請求項１に記載の方法。
4. 前記第１敵対的生成ネットワークは、基本生成器と、主生成器と、主識別器とを含み、
   アイデンティティ検証モデルを呼び出して、前記原特徴に対して特徴抽出を行うことは、
   前記基本生成器を呼び出して、前記原特徴をグローバル属性特徴ベクトルに変換するステップと、
   前記主生成器を呼び出して、前記グローバル属性特徴ベクトルに対して特徴抽出を行うことにより、第１主属性特徴ベクトルを取得するステップと、を含み、
   前記主属性特徴ベクトルに基づいて、不偏アイデンティティ検証処理を行うことにより、アイデンティティ検証結果を取得する前記ステップは、
   前記主識別器を呼び出して、前記第１主属性特徴ベクトルに対してアイデンティティ検証を行うことにより、アイデンティティ検証結果を取得するステップを含む、
   ことを特徴とする請求項２又は３に記載の方法。
5. 前記第１敵対的生成ネットワークは、基本生成器と、主生成器と、主識別器とを含み、
   アイデンティティ検証モデルを呼び出して、前記原特徴に対して特徴抽出を行うことは、
   前記基本生成器を呼び出して、前記原特徴をグローバル属性特徴ベクトルに変換するステップと、
   前記主生成器を呼び出して、前記グローバル属性特徴ベクトルに対して特徴抽出を行うことにより、第１主属性特徴ベクトルを取得するステップと、を含み、
   前記主属性特徴ベクトルに基づいて、不偏アイデンティティ検証処理を行うことにより、アイデンティティ検証結果を取得する前記ステップは、
   前記主識別器を呼び出して、前記第１主属性特徴ベクトルに対して第１識別を行った後、組み合わせ属性特徴ベクトルを前記第２敵対的生成ネットワークに出力するステップを含む、
   ことを特徴とする請求項３に記載の方法。
6. 前記第１敵対的生成ネットワークは、
   因果関係を持つ第１ドメイン差異特徴と第２ドメイン差異特徴が前記原特徴に存在する場合、前記第２ドメイン差異特徴に対して敵対的学習を行う過程において、前記第１ドメイン差異特徴とのデカップリング学習を無視する方式によって訓練されたものである、
   ことを特徴とする請求項２乃至５のいずれか１項に記載の方法。
7. 前記第１敵対的生成ネットワークは、ｍ個の生成器Ｇ_１～Ｇ_ｍを含み、それぞれの前記生成器Ｇ_ｊは、ｍ個の識別器Ｄ_ｊ１～Ｄ_ｊｍに対応するものであり、ｊ番目の生成器Ｇ_ｊは、ｊ番目の属性の特徴を学習するためのものであり、前記属性は、アイデンティティと、ｍ－１個のドメインとを含み、前記アイデンティティに対応する生成器Ｇ_１は前記主生成器であり、前記生成器Ｇ_１に対応する識別器Ｄ_１１は前記主識別器であり、ｉ，ｊ，ｊ’∈［ｍ］であり、
   前記第１敵対的生成ネットワークは、
   全ての生成器Ｇ_ｉを固定して、出力が、前記ｉ番目の属性に対応するラベルｙ_ｉに近くなるように、全ての識別器Ｄ_ｉｊを最適化させるステップと、
   全ての識別器Ｄ_ｉｊを固定して、出力が、前記ｉ番目の属性に対応する（１－ｙ_ｉ）に近くなるように、全ての生成器Ｇ_ｉを最適化させるステップを、
   前記生成器Ｇ_ｉ及び前記識別器Ｄ_ｉｊの訓練終了条件が満たされるまで、交互に実行する方式によって訓練されたものであり、
   ｊ’番目の属性とｊ番目の属性に因果関係がある場合、識別器Ｄ_ｊｊ’の出力損失が逆伝播されず、ｉ，ｊ，ｊ’∈［ｍ］である、
   ことを特徴とする請求項４又は５に記載の方法。
8. 前記識別器Ｄ_１１～Ｄ_ｍｍは２種類に分けられ、全てのｉについて、ｊ∈［ｍ］、ｉ≠ｊであり、
   各識別器Ｄ_ｉｉは、ｉ番目の属性の特徴を学習するためのものであり、各識別器Ｄ_ｉｊは、ｊ番目の属性の特徴を解消するためのものであり、
   各識別器Ｄ_ｉｉの学習は、標準的な教師あり学習を用い、各識別器Ｄ_ｉｊの学習は、敵対的学習を用いる、
   ことを特徴とする請求項７に記載の方法。
9. 前記第２敵対的生成ネットワークは、主加法的空間変換ネットワークと、主認識ネットワークとを含み、
   前記主属性特徴ベクトルに基づいて、不偏アイデンティティ検証処理を行うことにより、アイデンティティ検証結果を取得する前記ステップは、
   前記主加法的空間変換ネットワークを呼び出して、前記第１敵対的生成ネットワークから出力された組み合わせ属性特徴ベクトルを変換することにより、加法的特徴ベクトルを取得するステップと、
   前記主認識ネットワークを呼び出して、前記加法的特徴ベクトルに対してアイデンティティ認識を行うことにより、アイデンティティ検証結果を取得するステップと、を含む、
   ことを特徴とする請求項３に記載の方法。
10. 前記第２敵対的生成ネットワークは、
    前記第１敵対的生成ネットワークによって訓練セットから抽出された異なる属性特徴ベクトルをランダムに組み合わせ、
    ランダムに組み合わせられた組み合わせ属性特徴ベクトルに対して加法的敵対的な訓練を行う方式によって訓練されたものであり、
    少なくとも１つの前記組み合わせ属性特徴ベクトルに対応する属性組み合わせは、前記訓練セットに現れない属性組み合わせである、
    ことを特徴とする請求項３、５又は９に記載の方法。
11. 前記第２敵対的生成ネットワークは、前記ｍ個の属性に１対１で対応するｍ個の加法的空間変換ネットワークと、ｍ個の認識ネットワークとを含み、ｊ∈［ｍ］であり、
    前記第２敵対的生成ネットワークは、
    前記第１敵対的生成ネットワークによって生成された、異なる属性に対応する属性特徴ベクトルをランダムに組み合わせて、ｎ_ｒ個の組み合わせ属性特徴ベクトルを生成するステップと、
    前記ｎ_ｒ個の組み合わせ属性特徴ベクトルを第１ベクトル集合及び第２ベクトル集合に分割するステップであって、第１ベクトル集合における組み合わせ属性特徴ベクトルの属性組み合わせは、前記訓練セットに現れる属性組み合わせであり、第２ベクトル集合における組み合わせ属性特徴ベクトルの属性組み合わせは、前記訓練セットに現れない属性組み合わせである、ステップと、
    前記第１ベクトル集合及び前記第２ベクトル集合を用いて、前記加法的空間変換ネットワーク及び前記認識ネットワークを予測するステップであって、ｊ番目の加法的空間変換ネットワークは、ｊ番目の組み合わせ属性特徴ベクトルをｊ番目の加法的特徴ベクトルに変換するためのものであり、ｊ番目の認識ネットワークは、ｍ個の加法的特徴ベクトルの和特徴ベクトルに対して、ｊ番目の属性に対応するラベル認識を行うためのものである、ステップと、
    予測過程で生じた、前記第１ベクトル集合の第１損失に対して、各属性に対応する前記認識ネットワーク及び前記加法的空間変換ネットワークに前記第１損失を逆伝播するステップと、
    予測過程で生じた、前記第２ベクトル集合の第２損失に対して、他の属性に対応する前記認識ネットワーク及び前記加法的空間変換ネットワークに前記第２損失を逆伝播するステップと、によって訓練されたものである、
    ことを特徴とする請求項１０に記載の方法。
12. アイデンティティ検証装置であって、
    ユーザの原特徴を収集する収集モジュールであって、前記原特徴にｍ－１種類（ｍは２よりも大きい整数である）のドメイン差異特徴が存在する、収集モジュールと、
    前記原特徴における主属性特徴ベクトルを抽出するアイデンティティ検証モジュールであって、前記主属性特徴ベクトルは、前記原特徴におけるｍ－１種類（ｍは２よりも大きい整数である）のドメイン差異特徴に対して選択的デカップリングを行った特徴表現であり、各ドメイン差異特徴が１つの属性と見なされ、前記選択的デカップリングは、２つの属性の間の因果関係を利用し、属性ごとに、他の属性が該属性の変化を引き起こす原因でない場合、前記他の属性とのデカップリング学習を適用し、他の属性が該属性の変化を引き起こす原因である場合には、前記他の属性とのデカップリング学習を無視する、アイデンティティ検証モジュールと、を含み、
    前記アイデンティティ検証モジュールは、さらに、前記主属性特徴ベクトルに基づいて、不偏アイデンティティ検証処理を行うことにより、アイデンティティ検証結果を取得する、
    ことを特徴とする装置。
13. 前記アイデンティティ検証モジュールは、さらに、アイデンティティ検証モデルを呼び出して、前記原特徴に対して特徴抽出を行うことにより、前記原特徴における主属性特徴ベクトルを取得し、
    前記アイデンティティ検証モデルは、第１敵対的生成ネットワークを含み、又は、前記第１敵対的生成ネットワークと、第２敵対的生成ネットワークとを含み、前記第１敵対的生成ネットワークは、因果関係に基づいて、前記ｍ－１種類のドメイン差異特徴に対して前記選択的デカップリングを行うことにより訓練されたネットワークであり、前記第２敵対的生成ネットワークは、前記第１敵対的生成ネットワークによって抽出された、異なる属性の属性特徴ベクトルをランダムに組み合わせた後に、加法的敵対的な訓練を行って得られたネットワークであり、前記属性は、アイデンティティと、ｍ－１種類のドメイン差異とを含む、
    ことを特徴とする請求項１２に記載の装置。
14. 前記第１敵対的生成ネットワークは、基本生成器と、主生成器と、主識別器とを含み、
    前記アイデンティティ検証モジュールは、さらに、前記基本生成器を呼び出して、前記原特徴をグローバル属性特徴ベクトルに変換し、前記主生成器を呼び出して、前記グローバル属性特徴ベクトルに対して特徴抽出を行うことにより、第１主属性特徴ベクトルを取得し、前記主識別器を呼び出して、前記第１主属性特徴ベクトルに対してアイデンティティ検証を行うことにより、アイデンティティ検証結果を取得する、
    ことを特徴とする請求項１３に記載の装置。
15. 前記第１敵対的生成ネットワークは、基本生成器と、主生成器と、主識別器とを含み、
    前記アイデンティティ検証モジュールは、さらに、前記基本生成器を呼び出して、前記原特徴をグローバル属性特徴ベクトルに変換し、前記主生成器を呼び出して、前記グローバル属性特徴ベクトルに対して特徴抽出を行うことにより、第１主属性特徴ベクトルを取得し、前記主識別器を呼び出して、前記第１主属性特徴ベクトルに第１識別を行った後、組み合わせ属性特徴ベクトルを前記第２敵対的生成ネットワークに出力する、
    ことを特徴とする請求項１３に記載の装置。
16. 前記第１敵対的生成ネットワークは、ｍ個の生成器Ｇ_１～Ｇ_ｍを含み、それぞれの前記生成器Ｇ_ｊは、ｍ個の識別器Ｄ_ｊ１～Ｄ_ｊｍに対応するものであり、ｊ番目の生成器Ｇ_ｊは、ｊ番目の属性の特徴を学習するためのものであり、前記属性は、アイデンティティと、ｍ－１個のドメインとを含み、前記アイデンティティに対応する生成器Ｇ_１は前記主生成器であり、前記生成器Ｇ_１に対応する識別器Ｄ_１１は前記主識別器であり、ｉ，ｊ，ｊ’∈［ｍ］であり、
    前記第１敵対的生成ネットワークは、
    全ての生成器Ｇ_ｉを固定して、出力が、前記ｉ番目の属性に対応するラベルｙ_ｉに近くなるように、全ての識別器Ｄ_ｉｊを最適化させるステップと、
    全ての識別器Ｄ_ｉｊを固定して、出力が、前記ｉ番目の属性に対応する（１－ｙ_ｉ）に近くなるように、全ての生成器Ｇ_ｉを最適化させるステップを、
    前記生成器Ｇ_ｉ及び前記識別器Ｄ_ｉｊの訓練終了条件が満たされるまで、交互に実行する方式によって訓練されたものであり、
    ｊ’番目の属性とｊ番目の属性に因果関係がある場合、識別器Ｄ_ｊｊ’の出力損失が逆伝播されず、ｉ，ｊ，ｊ’∈［ｍ］である、
    ことを特徴とする請求項１４又は１５に記載の装置。
17. 前記第２敵対的生成ネットワークは、主加法的空間変換ネットワークと、主認識ネットワークとを含み、前記アイデンティティ検証モジュールは、さらに、前記主加法的空間変換ネットワークを呼び出して、前記第１敵対的生成ネットワークから出力された組み合わせ属性特徴ベクトルを変換することにより、加法的特徴ベクトルを取得し、前記主認識ネットワークを呼び出して、前記加法的特徴ベクトルに対してアイデンティティ認識を行うことにより、アイデンティティ検証結果を取得する、
    ことを特徴とする請求項１３乃至１５のいずれか１項に記載の装置。
18. 前記第２敵対的生成ネットワークは、
    前記第１敵対的生成ネットワークによって訓練セットから抽出された異なる属性特徴ベクトルをランダムに組み合わせ、
    ランダムに組み合わせられた組み合わせ属性特徴ベクトルに対して加法的敵対的な訓練を行う方式によって訓練されたものであり、
    少なくとも１つの前記組み合わせ属性特徴ベクトルに対応する属性組み合わせは、前記訓練セットに現れない属性組み合わせであり、
    前記第２敵対的生成ネットワークは、前記ｍ個の属性に１対１で対応するｍ個の加法的空間変換ネットワークと、ｍ個の認識ネットワークとを含み、ｊ∈［ｍ］であり、
    前記第２敵対的生成ネットワークは、
    前記第１敵対的生成ネットワークによって生成された、異なる属性に対応する属性特徴ベクトルをランダムに組み合わせて、ｎ_ｒ個の組み合わせ属性特徴ベクトルを生成するステップと、
    前記ｎ_ｒ個の組み合わせ属性特徴ベクトルを第１ベクトル集合及び第２ベクトル集合に分割するステップであって、第１ベクトル集合における組み合わせ属性特徴ベクトルの属性組み合わせは、前記訓練セットに現れる属性組み合わせであり、第２ベクトル集合における組み合わせ属性特徴ベクトルの属性組み合わせは、前記訓練セットに現れない属性組み合わせであるステップと、
    前記第１ベクトル集合及び前記第２ベクトル集合を用いて、前記加法的空間変換ネットワーク及び前記認識ネットワークを予測するステップであって、ｊ番目の加法的空間変換ネットワークは、ｊ番目の組み合わせ属性特徴ベクトルをｊ番目の加法的特徴ベクトルに変換するためのものであり、ｊ番目の認識ネットワークは、ｍ個の加法的特徴ベクトルの和特徴ベクトルに対して、ｊ番目の属性に対応するラベル認識を行うためのものである、ステップと、
    予測過程で生じた、前記第１ベクトル集合の第１損失に対して、各属性に対応する前記認識ネットワーク及び前記加法的空間変換ネットワークに前記第１損失を逆伝播するステップと、
    予測過程で生じた、前記第２ベクトル集合の第２損失に対して、他の属性に対応する前記認識ネットワーク及び前記加法的空間変換ネットワークに前記第２損失を逆伝播するステップと、によって訓練されたものである、
    ことを特徴とする請求項１３乃至１５のいずれか１項に記載の装置。
19. コンピュータ機器であって、プロセッサとメモリとを備え、前記メモリには、コンピュータ読み取り可能な命令が記憶されており、前記コンピュータ読み取り可能な命令は、前記プロセッサによって実行されると、請求項１乃至１１のいずれか１項に記載のアイデンティティ検証方法のステップを前記プロセッサに実行させる、ことを特徴とするコンピュータ機器。
20. 請求項１乃至１１のいずれか１項に記載のアイデンティティ検証方法のステップをコンピュータに実行させる、ことを特徴とするコンピュータプログラム。
    

Images